Multiscaling in Wasserstein Spaces

إليك ملخص تقني مفصل لورقة "Multiscaling in Wasserstein Spaces" (تعدد المقاييس في فضاءات واسرشتاين) للباحثين وائل مطر ونير شارون.

1. بيان المشكلة

تعالج الورقة الافتقار إلى أطر تحليل متعددة المقاييس لتسلسلات مقاييس الاحتمال التي تتطور داخل فضاءات واسرشتاين ($P_p(\mathbb{R}^d)$). وبينما تُعد الأساليب متعددة المقاييس (مثل المويجات وأنظمة التقسيم) منتشرة في معالجة الإشارات في الفضاءات الإقليدية، فإن توسيعها ليشمل الإطار الهندسي غير الخطي للنقل الأمثل يمثل تحدياً كبيراً.

• الفجوة: تواجه الأدوات الحالية صعوبة في تحليل تطور التوزيعات الاحتمالية (مثل تسلسلات الصور، أو سحب الجسيمات، أو توزيعات أوزان الشبكات العصبية) التي تمتلك هياكل هندسية جوهرية لا تستطيع الفضاءات المتجهة الخطية استيعابها.
• الهدف: بناء تحويل متعدد المقاييس يمكنه تفكيك تسلسلات المقاييس إلى تقريبات خشنة ومعاملات تفصيلية، مما يتيح مهام مثل إزالة الضجيج، وكشف الشذوذ، وقياس "الأمثلية" (الانحراف عن المسار الجيوديسي) في تدفقات المقاييس.

2. المنهجية

يقترح المؤلفون إطاراً جديداً يكيف أنظمة التقسيم (subdivision schemes) والتحليل متعدد الدقة (multiresolution analysis) مع الهندسة المترية لفضاءات واسرشتاين. تعتمد المنهجية على ثلاث ركائز أساسية:

أ. العمليات الهندسية (الجمع والطرح)

لإجراء عمليات حسابية على المقاييس، يعرّف المؤلفون عمليات ثنائية تشبه الجمع والطرح المتجهي، بالاستعانة بـ خريطة مونج (Monge map) ومتدخلات مكنان (McCann's interpolants):

• الطرح ($\ominus$): يُعرّف كـ $\nu \ominus \mu = T^\nu_\mu - I$، حيث $T^\nu_\mu$ هي خريطة النقل الأمثل التي تنقل $\mu$ إلى $\nu$، و $I$ هي مصفوفة الوحدة. هذه العملية تحول الفرق إلى الفضاء المماس للمنطويد (manifold) الخاص بواسرشتاين.
• الجمع ($\oplus$): يُعرّف كـ $\mu \oplus \psi = (I + \psi)_\# \mu$، حيث $\psi$ هو حقل متجهي (متجه مماس). تقوم هذه العملية بدفع المقياس $\mu$ على طول الحقل $\psi$.
• الاتساق: تحقق هذه العمليات العلاقة $\mu \oplus (\nu \ominus \mu) = \nu$، مما يسمح بإعادة بناء مثالية.

ب. عامل التكرار (التقسيم - Subdivision)

يستخدم الإطار متدخلات مكنان كآلية للتكرار (refinement). بالنسبة لمقياسين $\mu_i$ و $\mu_{i+1}$، يتم تعريف المنتصف كالتالي:
$$M(\mu_i, \mu_{i+1}; t) = ((1-t)I + t T^{\mu_{i+1}}_{\mu_i})_\# \mu_i$$
تولد هذه العملية مساراً جيوديسياً ذا سرعة ثابتة بين المقاييس. يقوم نظام التقسيم الأولي $S$ بأخذ تسلسل خشن $\{\mu_i\}$ وينتج تسلسلاً أكثر دقة عبر الاحتفاظ بالنقاط الأصلية وإدراج نقاط المنتصف:
$$(S\mu)_{2i} = \mu_i, \quad (S\mu)_{2i+1} = M(\mu_i, \mu_{i+1}; 1/2)$$

ج. التحويل متعدد المقاييس

يقوم التحويل بتفكيك تسلسل المقاييس $\mu^{(J)}$ إلى هرم:

1. التحليل (التفكيك):
   • أخذ العينات لأسفل (Downsampling): يختار $D\mu^{(\ell)}$ المقاييس ذات الفهارس الزوجية.
   • التنبؤ (Prediction): تطبيق $S$ على التسلسل المأخوذ عينات لأسفل للتنبؤ بالمقاييس ذات الفهارس الفردية.
   • التفاصيل (Details): حساب الفرق بين المقاييس الفعلية والتنبؤ: $\psi^{(\ell)} = \mu^{(\ell)} \ominus S\mu^{(\ell-1)}$.
2. التوليف (إعادة البناء):
   • إعادة بناء التسلسل عن طريق إضافة التفاصيل إلى التنبؤ: $\mu^{(\ell)} = S\mu^{(\ell-1)} \oplus \psi^{(\ell)}$.

د. رقم الأمثلية

تم تقديم مقياس عددي جديد، $\omega$، لقياس مدى انحراف التسلسل عن التدفق الجيوديسي:
$$\omega(\mu^{(J)}) = \sum_{\ell=1}^J \|\psi^{(\ell)}\|_1$$
حيث $\|\cdot\|_1$ هو مجموع معايير $L^p$ لمعاملات التفصيل. القيمة 0 تعني أن التسلسل يتبع مساراً جيوديسياً بسرعة ثابتة (نقل أمثل)؛ والقيم الأعلى تشير إلى ديناميكيات غير منتظمة أو حالات شاذة.

3. المساهمات الرئيسية

1. إطار موحد للمقاييس المستمرة والمنفصلة:

   • تعمل الطريقة مع المقاييس المطلقة الاستمرارية (باستخدام خرائط مونج وتدخل الكثافة) والمقاييس المنفصلة (باستخدام مصفوفات الاقتران والبرمجة الخطية للنقل الأمثل).
   • تتعامل مع الأنواع المختلطة وتوفر خوارزميات محددة لكل منهما.

2. الضمانات النظرية:

   • الاضمحلال الهندسي: يثبت المؤلفون أنه إذا كان التسلسل مأخوذاً من منحنى سلس ذي مشتق متري محدود (تدفق ليبشيتز)، فإن معاملات التفصيل تضمحل هندسياً عبر المقاييس ($\|\psi^{(\ell)}\|_\infty \leq C 2^{-\ell}$).
   • الاستقرار: يثبتون استقرار التحويل العكسي، حيث يؤدي حدوث اضطرابات صغيرة في معاملات التفصيل إلى أخطاء متناسبة في التسلسل المعاد بناؤه.

3. رقم الأمثلية:

   • يقدم مقياساً عددياً ثابتاً عبر المقاييس للكشف عن الشذوذ والديناميكيات غير المنتظمة. بخلاف مقاييس المسافة القياسية، فإنه يلتقط الانحرافات المحلية والعالمية عن السلوك الجيوديسي عبر مستويات دقة متعددة.

4. الكفاءة الحسابية:

   • يتناسب التحويل خطياً مع طول التسلسل. بالنسبة للمقاييس المطلقة الاستمرارية، يختزل الأمر إلى حل معادلات مونج-أمبير (أو التنظيم الإنتروبي)، وهي عمليات قابلة للحوسبة بكفاءة.

4. النتائج والتجارب العددية

تحقق الورقة من صحة الإطار من خلال ثلاث تجارب عددية متميزة:

• تدفقات غاوس (إزالة الضوضاء وكشف الشذوذ):

  • طُبقت على تسلسلات اصطناعية من مقاييس غاوس.
  • إزالة الضوضاء: من خلال تحديد عتبة معاملات التفصيل الكبيرة (التي تمثل الضجيج)، نجح المؤلفون في إعادة بناء المنحنيات الجيوديسية السلسة من البيانات المشوشة.
  • كشف الشذوذ: تم تحديد نقاط الانقطاع في تباين تسلسل غاوس بنجاح عبر رصد قفزات في معاملات التفصيل عند مقاييس محددة.
  • الأمثلية: كانت قيمة $\omega$ تساوي 0 للمسارات الجيوديسية المثالية، وزادت خطياً كلما تم حرف المنحنى بعيداً عن المسار الجيوديسي.

• ديناميكيات السحب النقطية (الكهرومغناطيسية):

  • محاكاة 10 جسيمات تتطور تحت تأثير حقل كهربائي ناتج عن شحنتين.
  • التقط التحويل متعدد المقاييس التدفق السلس للسحابة النقطية.
  • عند إضافة ضجيج إلى مواضع الجسيمات، اختفى الاضمحلال الهندسي للمعاملات، وزاد رقم الأمثلية بشكل كبير، مما أظهر حساسية الطريقة للاضطرابات غير الجيوديسية.

• مسارات تعلم الشبكات العصبية:

  • تحليل تطور التوزيعات الاحتمالية على فئات المخرجات لشبكة CNN (MNIST) أثناء التدريب.
  • أظهرت معاملات التفصيل اضمحلالاً هندسياً، مما أكد أن مسار التعلم في فضاء الأوزان عالي الأبعاد يتبع مساراً سلساً.
  • يشير المؤلفون إلى أن رقم الأمثلية يمكن أن يعمل كمقياس مستقل عن النموذج لتقييم كفاءة المحسنات (optimizers) أو معدلات التعلم في النماذج التوليدية.

5. الأهمية

• الربط بين الهندسة وتحليل البيانات: يوفر هذا العمل جسراً رياضياً صارماً بين نظرية النقل الأمثل ومعالجة الإشارات متعددة المقاييس، مما يسمح بتحليل "البيانات كتوزيعات" وليس مجرد متجهات.
• أدوات تشخيصية جديدة: يوفر رقم الأمثلية طريقة جديدة لتشخيص جودة الأنظمة الديناميكية، والنماذج التوليدية، وخوارزميات التعلم من خلال قياس مدى التزامها بالمبادئ الجيوديسية.
• تعدد الاستخدامات: القدرة على التعامل مع كل من المقاييس المنفصلة (السحب النقطية) والمستمرة (الكثافات) تجعل الإطار قابلاً للتطبيق في مجموعة واسعة من المجالات بما في ذلك الرؤية الحاسوبية، محاكاة الفيزياء، والتعلم العميق.
• أساس للأعمال المستقبلية: تفتح الورقة آفاقاً لتطوير "مويجات واسرشتاين" (Wasserstein Wavelets) واستخدام هذه التحويلات للضغط، والتدخل (interpolation)، والتنظيم في مهام التعلم الآلي المتعلقة بالتوزيعات الاحتمالية.